Analisis del funcionamiento de los ATM en Caracas

library(rsconnect)
library(DT)
library(plotly)
library(osmdata)
library(tidyverse)
library(sf)
library(leaflet)
library(dplyr)
library(tibble)
library(stringr)
library(leaflet.extras)

Introducción

En el contexto económico actual, el acceso a servicios financieros eficientes es crucial. Los cajeros automáticos (ATMs) son un componente clave de esta infraestructura, facilitando el acceso a efectivo y servicios bancarios. Este trabajo se centra en la distribución de ATMs en Caracas, un tema relevante para la economía local, pues la disponibilidad de ATMs puede influir en transacciones económicas, inclusión financiera, eficiencia del sistema de pagos y desarrollo local. Exploraremos la distribución de ATMs en Caracas, identificando patrones y discutiendo sus implicaciones económicas.

Planteamiento del problema

Analisis del impacto que existe en el funcionamiento y operatividad de los ATMS, así como las tarifas que cobran las instituciones financieras por sus distintos servicios (depósitos y retiros) en la región de Caracas.

Fuentes de datos a consutar: Página del Banco Central de Venezuela. Páginas de las distintas intituciones financieras del país. Página del SUDEBAN.

A pesar de la importancia de los ATMs en la economía, su distribución y acceso no siempre son óptimos. En muchas ciudades, incluyendo Caracas, pueden existir áreas con una alta concentración de ATMs y otras con una escasez relativa. Esta situación plantea una serie de interrogantes y problemas que requieren un análisis profundo, como, por ejemplo: • ¿Existe una distribución equitativa de ATMs en Caracas o hay áreas donde la población tiene dificultad para acceder al servicio?

Metodología

Para llevar a cabo este análisis, se han seguido los siguientes pasos:

Carga de librerías: Se cargaron las librerías necesarias para el análisis, las cuales incluyen rsconnect, DT, plotly, osmdata, tidyverse, sf, leaflet, dplyr, tibble, stringr y leaflet.extras. Estas librerías proporcionan las herramientas para la manipulación de datos, visualización y análisis espacial.

Definición de funciones:

Se definieron dos funciones principales:

tipos(): Esta función extrae los tipos de amenidades de un conjunto de datos, específicamente la columna ‘amenity’. Maneja casos donde los datos pueden ser nulos o la columna ‘amenity’ no está presente.

Función para extraer tipos de amenidades

tipos <- function(data, numero) { 
  columnas <- c('amenity') 
  if (!is.null(data)) { 
    if ('amenity' %in% names(data)) { 
      data1 <- data %>% drop_na(name) %>% 
        select(columnas) %>% as.data.frame() %>% .[, 1] 
    } else { 
        data1 <- rep('s/c', numero) 
    } 
  } else { 
    data1 <- NULL 
  }

vec_tipos <- c(data1) %>% replace_na('s/c')
clases <- unique(vec_tipos)[!is.na(unique(vec_tipos))]
list(vec_tipos = vec_tipos, clases = clases)
}

Función para extraer coordenadas y texto

coords_SfToDf(): Esta función extrae coordenadas y texto (nombre y dirección) de datos espaciales en formato sf. Procesa puntos, multipolígonos y polígonos, y filtra los resultados para incluir solo ATMs en Caracas.

coords_SfToDf <- function(data) {
  if (!is.null(data$osm_points)) {
    data1 <- data$osm_points %>%
      drop_na(name)
  } else {
    data1 <- NULL
  }
  
  if (!is.null(data$osm_multipolygons)) {
    data2 <- data$osm_multipolygons %>%
      drop_na(name)
  } else {
    data2 <- NULL
  }
  
  if (!is.null(data$osm_polygons)) {
    data3 <- data$osm_polygons %>%
      drop_na(name)
  } else {
    data3 <- NULL
  }
  
  # Crear vectores de nombre y dirección
  nombre <- c(
    paste(data3$name,
          ifelse(!is.na(data3$addr.housename), data3$addr.housename, ''), 
          ifelse(!is.na(data3$`addr:street`), data3$`addr:street`, ''),',',
          data3$`addr:city`),
    paste(data1$name,
          ifelse(!is.na(data1$addr.housename), data1$addr.housename, ''), 
          ifelse(!is.na(data3$`addr:street`), data3$`addr:street`,''),',',
          data3$`addr:city`)
  )
  
  
  # Extraer coordenadas
  if (!is.null(data1)) {
    # Filtrar solo las filas donde `addr:city` es "Caracas" esto se hace para poder solo ver los atm de Caracas 
    data1_filtered <- data1 %>% filter(`addr:city` == "Caracas")
    
    # Si hay datos filtrados, extraer las coordenadas
    if (nrow(data1_filtered) > 0) {
      df_point1 <- do.call(rbind, st_geometry(data1_filtered$geometry)) %>%
        as_tibble() %>%
        setNames(c("long", "lat"))
    } else {
      df_point1 <- NULL  # No hay datos que cumplan la condición
    }
  } else {
    df_point1 <- NULL
  }
  # View(data2)
  if (!is.null(data2)) {
    df_point2 <- do.call(rbind, st_centroid(data2$geometry)) %>%
      as_tibble() %>%
      setNames(c("long", "lat"))
  } else {
    df_point2 <- NULL
  }
  
  
  if (!is.null(data3)) {
    df_point3 <- do.call(rbind, st_centroid(data3$geometry)) %>%
      as_tibble() %>%
      setNames(c("long", "lat"))
  } else {
    df_point3 <- NULL
  }
  
  # Combinar resultados
  df_puntos <- rbind(df_point3, df_point1) %>%
    cbind(nombre = nombre[1:nrow(.)])
  
}

Creación de dataframes:

Se crearon dataframes a partir de los datos de osmdata, utilizando las funciones definidas previamente (coords_SfToDf()). Se realizaron correcciones y limpieza de datos, como la eliminación de nombres de bancos repetidos y la corrección de direcciones.

Se crea la df con los puntos y texto popup de mapa

df_puntos <- coords_SfToDf(atm_ccs1)

URL de un ícono personalizado

icon_url <- "/Users/josemiguelavendanoinfante/R/UCV_ECONOMIA_R4DS/r4dsucv2024/proyectos/atm/retiro-de-efectivo.png"


custom_icon <- makeIcon(iconUrl = icon_url, iconWidth = 30,
                        iconHeight = 30, 
                        iconAnchorX = 25, iconAnchorY = 40)

Definir la zona de interés

bbox_poly <- getbb("Venezuela, Caracas", format_out = "sf_polygon")
if (!inherits(bbox_poly, "sf")) bbox_poly <- st_as_sf(bbox_poly)

Crear el mapa con los ATMs y mostrar el popup al pasar el cursor

leaflet(bbox_poly) %>%
  addTiles() %>%
  addPolygons(data = bbox_poly, fillColor = "#AF7595", 
              fillOpacity = 0.3, color = "#8C2155", 
              weight = 2) %>%
  addMarkers(df_puntos$long, df_puntos$lat,
             popup = df_puntos$nombre,  # Popup al hacer clic
             label = df_puntos$nombre,  # Info al pasar el cursor
             labelOptions = labelOptions(noHide = FALSE, direction = "auto"),
             icon = custom_icon)

Visualizacion de datos

Tabla interactiva: Se creó una tabla interactiva utilizando la librería DT. Esta tabla muestra información detallada sobre los ATMs, incluyendo el nombre del banco y la dirección. La interactividad de la tabla permite al usuario realizar búsquedas, ordenar los datos por columnas y navegar a través de la información.

Función para extraer coordenadas y texto con dirección

coords_SfToDf_2 <- function(data) {
  if (!is.null(data$osm_points)) {
    data1 <- data$osm_points %>%
      drop_na(name)
  } else {
    data1 <- NULL
  }
  
  if (!is.null(data$osm_multipolygons)) {
    data2 <- data$osm_multipolygons %>%
      drop_na(name)
  } else {
    data2 <- NULL
  }
  
  if (!is.null(data$osm_polygons)) {
    data3 <- data$osm_polygons %>%
      drop_na(name)
  } else {
    data3 <- NULL
  }
  
  # Extraer el nombre del banco y dirección
  nombre <- c(
    paste(data3$name),
    paste(data1$name)
  )
  
  direccion <- c(
    paste(data3$`addr:street`, ",", data3$`addr:city`),
    paste(data1$`addr:street`, ",", data1$`addr:city`)
  )
  
  # Extraer coordenadas solo de puntos en Caracas
  if (!is.null(data1)) {
    data1_filtered <- data1 %>% filter(`addr:city` == "Caracas")
    if (nrow(data1_filtered) > 0) {
      df_point1 <- do.call(rbind, st_geometry(data1_filtered$geometry)) %>%
        as_tibble() %>%
        setNames(c("long", "lat"))
    } else {
      df_point1 <- NULL
    }
  } else {
    df_point1 <- NULL
  }
  
  if (!is.null(data2)) {
    df_point2 <- do.call(rbind, st_centroid(data2$geometry)) %>%
      as_tibble() %>%
      setNames(c("long", "lat"))
  } else {
    df_point2 <- NULL
  }
  
  if (!is.null(data3)) {
    df_point3 <- do.call(rbind, st_centroid(data3$geometry)) %>%
      as_tibble() %>%
      setNames(c("long", "lat"))
  } else {
    df_point3 <- NULL
  }
  
  # Crear el dataframe final con nombre, dirección y coordenadas
  df_puntos <- rbind(df_point3, df_point1) %>%
    cbind(nombre = nombre[1:nrow(.)], direccion = direccion[1:nrow(.)])
  
  return(df_puntos)
}

Crear el dataframe con los datos correctos

df_puntos <- coords_SfToDf_2(atm_ccs2)

Corregir las direcciones

df_puntos <- df_puntos %>%
  mutate(direccion = str_replace(direccion, ", Caracas", "."))

Seleccionar solo nombre del banco y dirección para la tabla interactiva

df_puntos2 <- df_puntos %>%
  select(Banco = nombre, Dirección = direccion)

Lista de reemplazos

Se realiza todos los reemplazos necesarios en los nombres de los bancos.

reemplazos <- c(
  "Rovincial" = "BBVA Provincial",
  "rovincial" = "BBVA Provincial",
  "Banlus" = "Banplus",
  "BBVA cial" = "BBVA Provincial",
  "BBVA rovincial" = "BBVA Provincial",
  "Edficio Centro Emesarial Caracas" = "Edificio Centro Empresarial Caracas",
  "cial" = "BBVA Provincial",
  "anco de Venezuela" = "Banco de Venezuela",
  "Venezuela" = "Banco de Venezuela",
  "anco Agrícola de Venezuela" = "Banco Agrícola de Venezuela",
  "anco e Venezuela" = "Banco de Venezuela",
  "anco el Sur" = "Banco el Sur",
  "anco el Tesoro" = "Banco el Tesoro",
  "anco igital los Trabajadores" = "Banco Digital de los Trabajadores",
  "anco igital de los Trabajadores" = "Banco Digital de los Trabajadores",
  "anco Municial e Crédito Popular" = "Banco Municial de Crédito Popular",
  "anco Nacional e Crédito" = "Banco Nacional de Crédito",
  "anco Venezolano e Crédito" = "Banco Venezolano de Crédito",
  "See del anco Venezolano de Credito" = "Banco Venezolano de Crédito",
  "100% anco" = "100% Banco",
  "ancamiga" = "Bancamiga",
  "ancaribe" = "Bancaribe",
  "anco Activo" = "Banco Activo",
  "anco Agrícola Venezuela" = "Banco Agrícola Venezuela",
  "anco Caroní" = "Banco Caroní",
  "anco igital los Trajaores" = "Banco Digital los Trabajadores",
  "anco Exterior" = "Banco Exterior",
  "anco Fono Común" = "Banco Fondo Común",
  "anco Mercantil" = "Banco Mercantil",
  "anco Nacional e Créito" = "Banco Nacional de Crédito",
  "anco Sofitasa" = "Banco Sofitasa",
  "anesco" = "Banesco",
  "ancrecer" = "Bancrecer",
  "BVA rovincial" = "BBVA Provincial",
  "icentenario" = "Banco Bicentenario",
  "Ciuad anesco" = "Ciudad Banesco",
  "Mi anco" = "Mi Banco",
  "See l anco Venezolano de Creito" = "Banco Nacional de Crédito",
  "Tesoro" = "Banco del Tesoro",
  "Provincial" = "BBVA Provincial", 
  "BBVA Provinial" = "BBVA Provincial", 
  "Provincial" = "BBVA Provincial"
)

Aplicar los reemplazos en la columna “Banco” del dataframe

Creamos una nueva df para agregar los valores modificados

df_puntos <- df_puntos %>%
  mutate(Banco = str_replace_all('Banco', reemplazos))

Crear la tabla interactiva con colores personalizados

tabla_interactiva <- datatable(df_puntos2, 
                               options = list(
                                 pageLength = 10,
                                 autoWidth = TRUE,
                                 searchHighlight = TRUE,
                                 dom = 'Bfrtip',
                                 buttons = c('copy', 'csv', 'excel', 'pdf', 'print')
                               ),
                               filter = "top",
                               rownames = FALSE) %>%
  formatStyle(
    columns = colnames(df_puntos2),  # Aplicar a todas las columnas
    backgroundColor = '#FAF6F6',  # Fondo azul claro
    color = '#1A1B41',  # Texto azul oscuro
    fontWeight = 'bold'  # Texto en negrita
  )

Mostrar la tabla tabla_interactiva

tabla_interactiva

Creación del mapa de calor

Mapa de calor: Se generó un mapa de calor utilizando la librería leaflet y la función addHeatmap(). Este mapa muestra la densidad de ATMs en diferentes áreas de Caracas, permitiendo identificar zonas con mayor concentración de ATMs.

En esta sección vamos a evaluar la cercania de los ATMs generando un mapa de calor.

caracas_poly <- opq("Caracas, Venezuela") %>% 
  add_osm_feature(key = "boundary", value = "administrative") %>% 
  osmdata_sf()

Extraer el polígono de los datos OSM

caracas_polygon <- caracas_poly$osm_multipolygons %>% 
  filter(admin_level == "8") %>%  # Filtrar el nivel administrativo adecuado
  st_geometry() %>% 
  st_union() %>% 
  st_as_sf()

Convertir a formato compatible con leaflet

caracas_polygon <- st_transform(caracas_polygon, crs = 4326)

Prepara los datos para el mapa de calor

df_calor <- df_puntos %>%
  select(long, lat) %>%
  mutate(peso = 1) # Asigna un peso a cada punto

Crear el mapa de calor con la delimitación de Caracas

mapa_calor <- leaflet(df_calor) %>%
  addTiles() %>%
  addPolygons(data = caracas_polygon, color = "#3A0CA3", weight = 4, fill = FALSE, opacity = 1) %>%
  addHeatmap(lng = ~long, lat = ~lat, intensity = ~peso, radius = 20, blur = 10) %>%
  setView(lng = mean(st_coordinates(st_centroid(caracas_polygon))[,1]),
          lat = mean(st_coordinates(st_centroid(caracas_polygon))[,2]),
          zoom = 12) # Centrar el mapa en Caracas

Mostrar el mapa de calor

mapa_calor

ANEXO GRAFICO Y TABLA

Gráfico de barras interactivo: Se creó un gráfico de barras interactivo con la librería plotly. Este gráfico muestra la cantidad de ATMs por banco, permitiendo al usuario identificar los bancos con mayor presencia en la ciudad. La interactividad del gráfico permite al usuario pasar el cursor sobre las barras para obtener información detallada sobre cada banco.

Crear un nuevo data frame copiando el data frame existente

nuevo_df <- atm_ccs1
nuevo_df <- as.data.frame(nuevo_df$osm_points)

Convertir en una dataframe la data extraida de la API

Esta línea de código utiliza la función is.na() para identificar los valores NA en la columna “name” de nuevo_df. El operador invierte el resultado de is.na(), de manera que se seleccionan las filas que no tienen NA en la columna “name”.

nuevo_df <- nuevo_df[!is.na(nuevo_df$name), ]

Contar ocurrencias de cada nombre que esta en la columna que me interesa en este caso la columna que trae los nombres de los bancos y me suma una a una las filas de los n ombres que son iguales.

nuevo_df %>% count(name, sort = TRUE)

                                 name   n
1                             Banesco 107
2                  Banco de Venezuela 103
3                           Mercantil  74
4                     BBVA Provincial  72
5           Banco Nacional de Crédito  67
6                   Banco Fondo Común  44
7                              Tesoro  42
8   Banco Digital de los Trabajadores  31
9                      Banco Exterior  29
10        Banco Venezolano de Crédito  28
11                          Bancaribe  27
12                          Bancrecer  20
13                         100% Banco  17
14                        Banco Plaza  16
15                            Banplus  16
16                          Bancamiga  11
17                       Banco Activo  11
18                       Banco Caroní  10
19                    Banco Mercantil   7
20                          Venezuela   7
21                      Banco Del Sur   5
22                         Provincial   5
23                     Banco Sofitasa   4
24                       Bicentenario   4
25                           Exterior   4
26        Banco Agrícola de Venezuela   3
27                            BANFANB   2
28                   Banco Del Tesoro   2
29                           Mi Banco   2
30                             Activo   1
31                    Avenida El Lago   1
32                                BFC   1
33 Banco Municipal de Crédito Popular   1
34                     Banco del Alba   1
35                           Banmujer   1
36                            Del Sur   1

muestro el contador de las filas

Lista de nombres de los bancos que deseas eliminar porque ya estan repetidos

nombres_a_eliminar <- c( "Banco Mercantil","Banco Del Tesoro","BFC","Activo","Venezuela","Venezuela","Provincial","Exterior", "Avenida El Lago","Bicentenario")

Filtrar las filas donde la columna ‘name’ NO contenga los nombres que deseas eliminar

nuevo_df_filtrado <- nuevo_df %>% filter(!name %in% nombres_a_eliminar)

Contar ocurrencias de cada nombre en las filas de mayor a menor

conteos <- nuevo_df_filtrado %>% count(name, sort = TRUE)

Crear una tabla interactiva

datatable(conteos, options = list(pageLength = 10, autoWidth = TRUE))

Crear el gráfico interactivo.

fig <- plot_ly(conteos, x = ~name, y = ~n, type = 'bar', name = 'banco')
fig <- fig %>% layout(title = 'ATM POR BANCOS',
                      xaxis = list(title = 'BANCOS'),
                      yaxis = list(title = 'ATMS'))

Mostrar el gráfico.

fig

Conclusión

Gracias a la visualización de los datos en los mapas, hemos podido identificar la distribución de los cajeros automáticos (ATMs) en Caracas. El mapa de calor resalta la concentración de estos en ciertas zonas, como en Altamira, la Avenida Libertador (especialmente cerca del C.C. El Sambil) y la Avenida Francisco de Miranda, donde los cajeros están más agrupados. Por otro lado, en áreas como La Trinidad, El Hatillo, Prados del Este y El Cafetal, se observa que los cajeros están más dispersos.

También con nuestro mapa interactivo podemos observar los cajeros y sus direcciones al igual que con nuestra tabla interactiva que podemos filtrar por nombre de banco o dirección.

Con la información recolectada, pudimos plasmar la cantidad de cajeros existentes por bancos, sin embargo no tenemos la certeza de si la mayoría de los ATMs están o no operativos.